multidim-mcp

Strukturierte Denkraster für KI-Agenten – ein eigenständiger MCP-Server, reine Standardbibliothek.

Multidim leitet ein Thema an eine Reihe von Analyse-Linsen (einen Kontext) weiter und gibt ein hierarchisches Raster zurück – Achsen, Unter-Linsen, Pflichtfragen –, das die aufrufende LLM ausfüllt. Das Denken bleibt beim Aufrufer: Der Server liefert Struktur, niemals Kognition. Er ruft keine LLM auf, macht keine Netzwerkanfragen, und dieselbe Eingabe erzeugt immer denselben Rahmen.

• Null Abhängigkeiten – Python 3.9+, nur Standardbibliothek.

• Deterministischer v2-Vertrag – jeder Rahmen trägt einen selbstverifizierbaren frame_hash; eine ausgefüllte Analyse wird Abschnitt für Abschnitt mit umsetzbaren Fehlercodes geprüft.

• Gelernte Fallen – Lektionen, die du einmal aufzeichnest, werden zu Pflichtfragen, die in jeden zukünftigen Rahmen eingefügt werden, dessen Thema übereinstimmt.

• Abgesicherter Speicher – atomare Schreibvorgänge, natives prozessübergreifendes Sperren, additive Migrationen, gesicherte Zurücksetzungen und eine Wächterfunktion, die sich weigert, jemals einen fremden ~/.multidim-Speicher zu berühren.

Den Unterschied sehen

Ein Agent analysiert „Sollten wir den Abrechnungsdienst von MySQL auf PostgreSQL migrieren?". Jeder Abschnitt ist ausgefüllt, jeder Satz liest sich gut. Hier ist, was multidim_validate bei diesem ersten Durchlauf zurückgibt:

overall verdict: REJECT

REJECT  alternatives        NOT_ENOUGH_ALTERNATIVES, ALTERNATIVE_DUPLICATES_PRIMARY
REJECT  hypotheses          HYPOTHESIS_NOT_FALSIFIABLE
REJECT  second_order_risks  SECOND_ORDER_REPEATS_FIRST
REJECT  cross_talk          GENERIC_DENSITY_HIGH
REJECT  synthesis           SYNTHESIS_WITHOUT_REFERENCES
WARNING premortem           PREMORTEM_SIMILAR_TO_RISKS

Die einzige Alternative wiederholte die Hypothese, die Hypothese enthielt keinen Test, der sie widerlegen könnte, der Effekt zweiter Ordnung wiederholte den ersten wortwörtlich, und die Schlussfolgerung bezog sich auf keine der obigen Arbeiten. Nichts davon ist sichtbar, wenn du die Antwort liest; alles wird hier namentlich gemeldet.

Wiederhole die abgelehnten Abschnitte und derselbe Prüfer gibt ACCEPT zurück. Bearbeite den Rahmen, um die Regel zu löschen, die dir unangenehm ist, und er verweigert die gesamte Einreichung – der Rahmen trägt einen Hash seines eigenen Inhalts.

Vollständiges Transkript, einschließlich wie die korrigierten Abschnitte aussehen und was dies bewusst nicht prüft: DEMO.md. Reproduziere es mit einem Befehl: python demo.py.

Related MCP server: CRASH - Cascaded Reasoning with Adaptive Step Handling

Schnellstart

pip install multidim-mcp        # from PyPI
pip install .                   # or from a source checkout

Registriere den Server bei einem beliebigen MCP-Client (stdio-Transport):

{
  "mcpServers": {
    "multidim": {
      "command": "multidim-mcp"
    }
  }
}

Oder führe ihn direkt aus: python -m multidim_mcp, oder ohne Installation: uvx multidim-mcp.

Der Server ist im offiziellen MCP-Registry als io.github.Cherridsaid/multidim-mcp gelistet.

Werkzeuge

So funktioniert es

1. multidim_analyze erkennt den besten Kontext für dein Thema (Wortgrenzen-Keyword-Matching, akzentgeglättet) und gibt einen v2-Rahmen zurück: erforderliche Abschnitte, Abschnittsschemata, Validierungsregeln, Pflichtfragen – einschließlich jeder gelernten Falle, deren Auslöser zum Thema passen.

2. Deine LLM füllt den Rahmen Abschnitt für Abschnitt aus.

3. multidim_validate rekonstruiert den Rahmen aus dem Speicher, lehnt einen manipulierten oder veralteten ab (frame_hash), und prüft dann die Analyse: strukturelle Vollständigkeit, Falsifikationstests für Hypothesen, Alternativen, die sich wirklich von der primären unterscheiden, Effekte zweiter Ordnung, die sich von erster Ordnung unterscheiden, eine Pre-Mortem-Analyse, die die Risikoliste nicht kopiert, eine Synthese, die echte Bezeichner referenziert, und eine Obergrenze für Füllphrasen. Nur abgelehnte Abschnitte werden wiederholt, innerhalb der max_validation_rounds des Rahmens.

Die vier Startkontexte sind neutral und deterministisch: generic (8 allgemeine Linsen), code_review, technical_writing, decision.

Speicher

Der Speicher befindet sich auf einem dedizierten benutzerspezifischen Datenpfad (MULTIDIM_MCP_HOME überschreibt ihn) und wird beim ersten Lauf aus den neutralen Startwerten erstellt. Schreibvorgänge sind atomar und werden über Prozesse hinweg mit der nativen Dateisperre des Betriebssystems serialisiert; ein beschädigter Speicher wird vor jedem Zurücksetzen gesichert, nie stillschweigend verworfen. Eine Stolperdraht-Funktion verweigert jeden Lese- oder Schreibvorgang, der in einen fremden persönlichen ~/.multidim-Speicher auflösen würde.

Wartende, die Forks veröffentlichen, können die Neutralitätswächterfunktion mit eigenen privaten Markierungen über MULTIDIM_MCP_EXTRA_FORBIDDEN (kommagetrennt) erweitern, ohne sie in den öffentlichen Quellcode zu hardcodieren.

Transparenz

• Kein KI-System. multidim-mcp enthält kein Modell und führt keine Inferenz durch: Es ist deterministische, regelbasierte Software. Unter dem EU-KI-Gesetz (Verordnung 2024/1689) ist es kein KI-System im Sinne von Art. 3 Abs. 1 und fällt als freie und Open-Source-Software unter die Ausnahme von Art. 2 Abs. 12. Es sammelt keine Daten und führt keine Netzwerkaufrufe durch.

• Abbildungen in dieser README wurden mit GPT generiert und behalten ihre C2PA-Herkunftsmetadaten intakt.

Entwicklung

python run_tests.py      # full suite, stdlib only
python smoke_install.py  # packaging smoke test (wheel + venv + entry point)
python demo.py           # the analyse -> validate -> fix -> accept cycle of DEMO.md

CI läuft sowohl auf Ubuntu als auch auf Windows mit Python 3.9 / 3.11 / 3.13.

Lizenz

Apache-2.0 – siehe LICENSE und NOTICE.